北京
來源：騰訊科技
文：郭曉靜
編輯：徐青陽
世界頂尖的AI模型可以通過醫學執照考試，可以編寫復雜代碼，甚至能在數學競賽中擊敗人類專家，但是卻在一款兒童游戲中《寶可夢》屢屢受挫。
這場引人矚目的嘗試始于2025年2月，當時Anthropic的一名研究人員推出了“Claude玩《寶可夢紅》”的Twitch直播，以此配合Claude Sonnet 3.7的發布。
2000名觀眾涌入直播間。在公共聊天區，觀眾們為Claude出謀劃策、加油打氣，使這場直播逐漸演變為一場圍繞AI能力展開的公開觀察。
Sonet3.7只能說是“會玩”《寶可夢》了，但“會玩”不等于“能贏”。它會在關鍵節點卡住數十小時，還會做出連兒童玩家都不會犯的低級錯誤。
這不是Claude第一次嘗試。
早期版本的表現更加災難：有的在地圖中毫無目標地游蕩，有的陷入無限循環，更多的甚至無法走出新手村。
即便是能力顯著提升的Claude Opus 4.5，仍會出現令人費解的失誤。有一次，它在“道館外“繞圈整整四天，卻始終未能進入，原因僅僅是沒意識到需要砍倒擋在路口的一棵樹。
一款兒童游戲，為何成了AI的滑鐵盧?
因為《寶可夢》要求的，恰恰是當今AI最缺乏的能力：在沒有明確指令的開放世界中持續推理、記憶數小時前的決策、理解隱含的因果關系、在數百個可能的行動中做出長期規劃。
這些事情對8歲孩子來說輕而易舉的事，對標榜"超越人類"的AI模型卻是不可逾越的鴻溝。
01
工具集差距決定成敗？
相比之下，谷歌的Gemini 2.5 Pro在2025年5月成功通關了一款難度相當的《寶可夢》游戲。谷歌首席執行官桑達爾·皮查伊（Sundar Pichai）甚至在公開場合半開玩笑地表示，公司在打造“人工寶可夢智能”方面邁出了一步。
然而，這一結果并不能簡單歸因于Gemini模型本身更“聰明”。
關鍵差異在于模型所使用的工具集。負責運營Gemini《寶可夢》直播的獨立開發者喬爾·張（Joel Zhang）將工具集比喻為一套“鋼鐵俠裝甲”：AI并非赤手空拳進入游戲，而是被置于一個可調用多種外部能力的系統中。
Gemini的工具集提供了更多支持，例如將游戲畫面轉寫為文本，從而彌補模型在視覺理解上的弱點，并提供定制化的解謎與路徑規劃工具。相比之下，Claude所使用的工具集更為簡約，它的嘗試也更直接地反映出模型自身在感知、推理與執行上的真實能力。
在日常任務中，這類差異并不明顯。
當用戶向聊天機器人提出需聯網查詢的請求時，模型同樣會自動調用搜索工具。但在《寶可夢》這類長期任務中，工具集的差異被放大至足以決定成敗的程度。
02
回合制暴露AI的“長期記憶”短板
由于《寶可夢》采用嚴格的回合制且無需即時反應，它成為了測試 AI 的絕佳“練兵場“。AI 在每一步操作中，只需結合當前畫面、目標提示與可選操作進行推理，即可輸出‘按A鍵’這類明確的指令。
這似乎正是大語言模型最擅長的交互形式。
癥結恰恰在于時間維度的“斷層”。盡管 Claude Opus 4.5 已累計運行超 500 小時、執行約 17 萬步，但受限于每一步操作后的重新初始化，模型只能在極窄的上下文窗口中尋找線索。這種機制讓它更像是一個靠便利貼維持認知的失憶者，在碎片化的信息中循環往復，始終無法像真正的人類玩家那樣，實現從量變到質變的經驗跨越。
在國際象棋和圍棋等領域，AI系統早已超越人類，但這些系統是為特定任務高度定制的。相比之下，Gemini、Claude和GPT作為通用模型，在考試、編程競賽中頻頻擊敗人類，卻在一款兒童向游戲中屢屢受挫。
這種反差本身便極具啟示性。
在喬爾·張看來，AI面臨的核心挑戰在于無法在長時間跨度內持續執行單一明確目標。“如果你希望智能體完成真正的工作，它不能忘記五分鐘前自己做了什么，”他指出。
而這種能力，正是實現認知勞動自動化不可或缺的前提。
獨立研究者彼得·惠登（Peter Whidden）給出了更直觀的描述。他曾開源一個基于傳統AI的《寶可夢》算法。“AI對《寶可夢》幾乎無所不知，”他表示，“它在海量人類數據上訓練，清楚知道正確答案。但一到執行階段，就顯得笨拙不堪。”
游戲中，這種“知道卻做不到”的斷層被不斷放大：模型可能知道需尋找某道具，卻無法在二維地圖中穩定定位；知道應與NPC對話，卻在像素級移動中反復失敗。
03
能力演進背后：未跨越的“本能”鴻溝
盡管如此，AI的進步仍清晰可見。Claude Opus 4.5在自我記錄和視覺理解上明顯優于前代，得以在游戲中推進更遠。Gemini 3 Pro在通關《寶可夢藍》后，又完成了難度更高的《寶可夢水晶》，且全程未輸一場戰斗。這是Gemini 2.5 Pro從未實現的。
與此同時，Anthropic推出的Claude Code工具集允許模型編寫并運行自有代碼，已被用于《過山車大亨》等復古游戲，據稱能成功管理虛擬主題公園。
這些案例揭示了一個不直觀的現實：配備合適工具集的AI，可能在軟件開發、會計、法律分析等知識工作中展現極高效率，即便它們仍難以應對需要實時反應的任務。
《寶可夢》實驗還揭示另一耐人尋味的現象：在人類數據上訓練的模型，會表現出近似人類的行為特征。
在Gemini 2.5 Pro的技術報告中，谷歌指出，當系統模擬“恐慌狀態”，如寶可夢即將昏厥時，模型的推理質量會顯著下降。
而當Gemini 3 Pro最終通關《寶可夢藍》時，它為自己留下了一段非任務必需的備注：“為了詩意地結束，我要回到最初的家，與母親進行最后一次對話，讓角色退休。”
在喬爾·張看來，這一行為出乎意料，還帶有某種人類式的情感投射。
04
AI難以逾越的“數字長征”，遠不止《寶可夢》
《寶可夢》并非孤例。在追求通用人工智能（AGI）的道路上，開發者發現，即便AI能在司法考試中名列前茅，在面對以下幾類復雜游戲時，依然面臨著難以逾越的“滑鐵盧”。
《NetHack》：規則的深淵
這款80年代的地牢游戲是AI研究界的“噩夢”。它的隨機性極強且有“永久死亡”機制。Facebook AI Research發現，即便模型能寫代碼，但在需要常識邏輯和長期規劃的《NetHack》面前，表現甚至遠遜于人類初學者。
《我的世界》：消失的目標感
雖然AI已能制作木鎬甚至挖掘鉆石，但獨立“擊敗末影龍”仍是幻想。在開放世界里，AI經常會在長達數十小時的資源收集過程中“忘記”初衷，或在復雜的導航中徹底迷路。
《星際爭霸 II》：通用性與專業的斷層
盡管定制化模型曾擊敗職業選手，但若讓Claude或Gemini直接通過視覺指令接管，它們便會瞬間崩盤。在處理“戰爭迷霧”的不確定性，以及平衡微操與宏觀建設方面，通用模型依然力不從心。
《過山車大亨》：微觀與宏觀的失衡
管理樂園需要追蹤數千名游客的狀態。即便具備初步管理能力的Claude Code，在處理大規模財務崩潰或突發事故時也極易疲態。任何一次推理斷層，都會導致樂園破產。
《艾爾登法環》與《只狼》：物理反饋的鴻溝
這類強動作反饋游戲對AI極不友好。目前的視覺解析延遲意味著，當AI還在“思考”Boss動作時，角色往往已經陣亡。毫秒級的反應要求，構成了模型交互邏輯的天然上限。
05
為何《寶可夢》成為AI試金石？
如今，《寶可夢》正逐漸成為AI評估領域中一種非正式卻極具說服力的測試基準。
Anthropic、OpenAI和谷歌的模型在Twitch上的相關直播累計吸引數十萬條評論。谷歌在技術報告中詳細記錄Gemini的游戲進展，皮查伊在I/O開發者大會上公開提及此項成果。Anthropic甚至在行業會議中設立“Claude玩寶可夢”展示區。
“我們是一群超級技術愛好者，”Anthropic應用AI負責人大衛·赫爾希（David Hershey）坦言。但他強調，這不僅是娛樂。
與一次性問答式的傳統基準不同，《寶可夢》能在極長時間內持續追蹤模型的推理、決策與目標推進過程，這更接近現實世界中人類希望AI執行的復雜任務。
截至目前，AI在《寶可夢》中的挑戰仍在繼續。但正是這些反復出現的困境，清晰勾勒出通用人工智能尚未跨越的能力邊界。
特約編譯無忌對本文亦有貢獻
閱讀最新前沿科技趨勢報告，請訪問歐米伽研究所的“未來知識庫”
https://wx.zsxq.com/group/454854145828
未來知識庫是“ 歐米伽 未來研究所”建立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學、互聯網、超級智能，數智大腦、能源、軍事、經濟、人類風險等等領域的前沿進展與未來趨勢。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進入。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
